Matplotlib三个层次
Matplotlib由三个不同的层次结构组成：
1)脚本层
Matplotlib结构中的最顶层。我们编写的绘图代码大部分代码都在该层运行，它的主要工作是负责生成图形与坐标系。
2）美工层
Matplotlib结构中的第二层，它提供了绘制图形的元素时的给各种功能，例如，绘制标题、轴标签、坐标刻度等。
3)后端层
Matplotlib结构最底层，它定义了三个基本类，首先是FigureCanvas（图层画布类），它提供了绘图所需的画布，其次是Renderer（绘图操作类），它提供了在画布上进行绘图的各种方法，最后是Event（事件处理类），它提供了用来处理鼠标和键盘事件的方法。
matplotlib.backend_bases.FigureCanvas 代表了绘图区，所有的图像都是在绘图区完成的
matplotlib.backend_bases.Renderer 代表了渲染器，可以近似理解为画笔，控制如何在 FigureCanvas 上画图。
matplotlib.artist.Artist 代表了具体的图表组件，即调用了Renderer的接口在Canvas上作图。
前两者处理程序和计算机的底层交互的事项，第三项Artist就是具体的调用接口来做出我们想要的图，比如图形、文本、线条的设定。所以通常来说，我们95%的时间，都是用来和matplotlib.artist.Artist类打交道
matplotlib的原理或者说基础逻辑是，用Artist对象在画布(canvas)上绘制(Render)图形。
就和人作画的步骤类似：
准备一块画布或画纸
准备好颜料、画笔等制图工具
作画
Artist的分类-primitives和containers
Artist有两种类型：primitives原生的 和containers容器。
primitive是基本要素，它包含一些我们要在绘图区作图用到的标准图形对象，如曲线Line2D，文字text，矩形Rectangle，图像image等。
container是容器，即用来装基本要素的地方，包括图形figure、坐标系Axes和坐标轴Axis。他们之间的关系如下图所示：
artist类可以参考下图。
第一列表示matplotlib中子图上的辅助方法，可以理解为可视化中不同种类的图表类型，如柱状图，折线图，直方图等，这些图表都可以用这些辅助方法直接画出来，属于更高层级的抽象。
第二列表示不同图表背后的artist类，比如折线图方法plot在底层用到的就是Line2D这一artist类。
第三列是第二列的列表容器，例如所有在子图中创建的Line2D对象都会被自动收集到ax.lines返回的列表中。
基本元素 - primitives-01-Line2D
基本元素 - primitives。primitives 的几种类型：曲线-Line2D，矩形-Rectangle，多边形-Polygon，图像-image。
1）以Line2D为例
参考：https://matplotlib.org/stable/api/_as_gen/matplotlib.lines.Line2D.html
在matplotlib中曲线的绘制，主要是通过类 matplotlib.lines.Line2D 来完成的。
matplotlib中线-line的含义：它表示的可以是连接所有顶点的实线样式，也可以是每个顶点的标记。此外，这条线也会受到绘画风格的影响，比如，我们可以创建虚线种类的线。
class matplotlib.lines.Line2D(xdata, ydata, *, linewidth=None, linestyle=None, color=None, gapcolor=None, marker=None, markersize=None, markeredgewidth=None, markeredgecolor=None, markerfacecolor=None, markerfacecoloralt='none', fillstyle=None, antialiased=None, dash_capstyle=None, solid_capstyle=None, dash_joinstyle=None, solid_joinstyle=None, pickradius=5, drawstyle=None, markevery=None, **kwargs)[
xdata:需要绘制的line中点的在x轴上的取值，若忽略，则默认为range(1,len(ydata)+1)
ydata:需要绘制的line中点的在y轴上的取值
linewidth:线条的宽度
linestyle:线型
color:线条的颜色
marker:点的标记，详细可参考markers API
markersize:标记的size
设置Line2D的属性的3种方法
有三种方法可以用设置线的属性。
直接在plot()函数中设置
通过获得线对象，对线对象进行设置
获得线属性，使用setp()函数设置
from matplotlib import pyplot as plt # 设置x和y的值 x = range(0,5) y = [2,5,7,8,10] # 1) 直接在plot()函数中设置 plt.plot(x,y, linewidth=10); # 设置线的粗细参数为10 plt.show() # 2) 通过获得线对象，对线对象进行设置 line, = plt.plot(x, y, ':') # 这里等号左边的line,是一个列表解包的操作，目的是获取plt.plot返回列表中的Line2D对象 line.set_antialiased(False); # 关闭抗锯齿功能 plt.show() # 3) 获得线属性，使用setp()函数设置 lines = plt.plot(x, y) plt.setp(lines, color='r', linewidth=10); plt.show()
绘制直线line的2种方法:
介绍两种绘制直线line常用的方法:
plot方法绘制
Line2D对象绘制
1.plot方法绘制
from matplotlib import pyplot as plt
from matplotlib import pyplot as plt # 1. plot方法绘制 x = range(0,5) y1 = [2,5,7,8,10] y2= [3,6,8,9,11] fig,ax= plt.subplots() ax.plot(x,y1) ax.plot(x,y2) print(ax.lines); # 通过直接使用辅助方法画线，打印ax.lines后可以看到在matplotlib在底层创建了两个Line2D对象 # <Axes.ArtistList of 2 lines> plt.show()
输出为：
2. Line2D对象绘制
from matplotlib import pyplot as plt from matplotlib.lines import Line2D # 2. Line2D对象绘制 x = range(0,5) y1 = [2,5,7,8,10] y2= [3,6,8,9,11] fig,ax= plt.subplots() lines = [Line2D(x, y1), Line2D(x, y2,color='orange')] # 显式创建Line2D对象 for line in lines: ax.add_line(line) # 使用add_line方法将创建的Line2D添加到子图中 ax.set_xlim(0,4) ax.set_ylim(2, 11); plt.show()
2) errorbar绘制误差折线图
参考：
pyplot里有个专门绘制误差线的功能，通过errorbar类实现，它的构造函数：
matplotlib.pyplot.errorbar(x, y, yerr=None, xerr=None, fmt='', ecolor=None, elinewidth=None, capsize=None, barsabove=False, lolims=False, uplims=False, xlolims=False, xuplims=False, errorevery=1, capthick=None, *, data=None, **kwargs)
其中最主要的参数是前几个:
x：需要绘制的line中点的在x轴上的取值
y：需要绘制的line中点的在y轴上的取值
yerr：指定y轴水平的误差
xerr：指定x轴水平的误差
fmt：指定折线图中某个点的颜色，形状，线条风格，例如‘co–’
ecolor：指定error bar的颜色
elinewidth：指定error bar的线条宽度
绘制errorbar
import numpy as np import matplotlib.pyplot as plt fig = plt.figure() x = np.arange(10) y = 2.5 * np.sin(x / 20 * np.pi) yerr = np.linspace(0.05, 0.2, 10) plt.errorbar(x, y + 3, yerr=yerr, label='both limits (default)') plt.errorbar(x, y + 2, yerr=yerr, uplims=True, label='uplims=True') plt.errorbar(x, y + 1, yerr=yerr, uplims=True, lolims=True, label='uplims=True, lolims=True') upperlimits = [True, False] * 5 lowerlimits = [False, True] * 5 plt.errorbar(x, y, yerr=yerr, uplims=upperlimits, lolims=lowerlimits, label='subsets of uplims and lolims') plt.legend(loc='lower right') plt.show()
import numpy as np import matplotlib.pyplot as plt upperlimits = [True, False] * 5 lowerlimits = [False, True] * 5 fig = plt.figure() x = np.arange(10) / 10 y = (x + 0.1)**2 plt.errorbar(x, y, xerr=0.1, xlolims=True, label='xlolims=True') y = (x + 0.1)**3 plt.errorbar(x + 0.6, y, xerr=0.1, xuplims=upperlimits, xlolims=lowerlimits, label='subsets of xuplims and xlolims') y = (x + 0.1)**4 plt.errorbar(x + 1.2, y, xerr=0.1, xuplims=True, label='xuplims=True') plt.legend() plt.show()
基本元素 - primitives-02-patches¶
matplotlib.patches.Patch类是二维图形类，并且它是众多二维图形的父类，它的所有子类见matplotlib.patches API ，
Patches are Artists with a face color and an edge color.
Patch类的构造函数：
Patch(edgecolor=None, facecolor=None, color=None, linewidth=None, linestyle=None, antialiased=None, hatch=None, fill=True, capstyle=None, joinstyle=None, **kwargs)
本小节重点讲述三种最常见的子类，矩形，多边形和楔形。
a. Rectangle-矩形
A rectangle defined via an anchor point xy and its width and height.
Rectangle矩形类在官网中的定义是： 通过锚点xy及其宽度和高度生成。
Rectangle本身的主要比较简单，即xy控制锚点，width和height分别控制宽和高。它的构造函数：
class matplotlib.patches.Rectangle(xy, width, height, angle=0.0, **kwargs)
在实际中最常见的矩形图是hist直方图和bar条形图。
1) hist-直方图
基于hist
matplotlib.pyplot.hist(x,bins=None,range=None, density=None, bottom=None, histtype='bar', align='mid', log=False, color=None, label=None, stacked=False, normed=None)
下面是一些常用的参数：
x: 数据集，最终的直方图将对数据集进行统计
bins: 统计的区间分布
range: tuple, 显示的区间，range在没有给出bins时生效
density: bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果，这里需要注意，频率统计结果=区间数目/(总数*区间宽度)，和normed效果一致，官方推荐使用density
histtype: 可选{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似
align: 可选{‘left’, ‘mid’, ‘right’}之一，默认为’mid’，控制柱状图的水平分布，left或者right，会有部分空白区域，推荐使用默认
log: bool，默认False,即y坐标轴是否选择指数刻度
stacked: bool，默认为False，是否为堆积状图
import numpy as np import matplotlib.pyplot as plt # hist绘制直方图 x=np.random.randint(0,100,100) #生成[0-100)之间的100个数据,即 数据集 bins=np.arange(0,101,10) #设置连续的边界值，即直方图的分布区间[0,10),[10,20)... plt.hist(x,bins,color='fuchsia',alpha=0.5)#alpha设置透明度，0为完全透明 plt.xlabel('scores') plt.ylabel('count') plt.xlim(0,100); #设置x轴分布范围 plt.show() plt.show()
输出为：
基于Rectangle绘制直方图
1.导入依赖
import numpy as np import pandas as pd import matplotlib.pyplot as plt import re
2.初始化数据
# hist绘制直方图 x=np.random.randint(0,100,100) #生成[0-100)之间的100个数据,即 数据集 bins=np.arange(0,101,10) #设置连续的边界值，即直方图的分布区间[0,10),[10,20)... # Rectangle矩形类绘制直方图 df = pd.DataFrame(columns = ['data']) df.loc[:,'data'] = x print("df-->\n",df) print("--------------------------") """ df--> data 0 93 1 22 2 75 3 44 4 59 .. ... 95 6 96 90 97 90 98 60 99 32 [100 rows x 1 columns] -------------------------- """
3.分组数据
df['fenzu'] = pd.cut(df['data'], bins=bins, right = False,include_lowest=True) print("fenzu-->\n",df) print("--------------------------") """ fenzu--> data fenzu 0 93 [90, 100) 1 22 [20, 30) 2 75 [70, 80) 3 44 [40, 50) 4 59 [50, 60) .. ... ... 95 6 [0, 10) 96 90 [90, 100) 97 90 [90, 100) 98 60 [60, 70) 99 32 [30, 40) [100 rows x 2 columns] -------------------------- """
4.统计分组数量
df_cnt = df['fenzu'].value_counts().reset_index() print("df_cnt-->\n",df_cnt) print("--------------------------") """ df_cnt--> index fenzu 0 [40, 50) 13 1 [70, 80) 13 2 [60, 70) 11 3 [20, 30) 10 4 [30, 40) 10 5 [50, 60) 10 6 [90, 100) 10 7 [0, 10) 9 8 [80, 90) 8 9 [10, 20) 6 -------------------------- """
5.统计最小最大宽度的值
df_cnt.loc[:,'mini'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\[(.*)\,',x)[0]).astype(int) df_cnt.loc[:,'maxi'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\,(.*)\)',x)[0]).astype(int) df_cnt.loc[:,'width'] = df_cnt['maxi']- df_cnt['mini'] print("df_cnt_minmaxwidth-->\n",df_cnt) print("--------------------------") """ df_cnt_minmaxwidth--> index fenzu mini maxi width 0 [70, 80) 13 70 80 10 1 [10, 20) 12 10 20 10 2 [80, 90) 12 80 90 10 3 [30, 40) 11 30 40 10 4 [60, 70) 11 60 70 10 5 [20, 30) 10 20 30 10 6 [40, 50) 10 40 50 10 7 [0, 10) 9 0 10 10 8 [50, 60) 7 50 60 10 9 [90, 100) 5 90 100 10 -------------------------- """
6.排序并重置索引
df_cnt.sort_values('mini',ascending = True,inplace = True) print("df_cnt_sortvalues-->\n",df_cnt) print("--------------------------") """ df_cnt_sortvalues--> index fenzu mini maxi width 1 [0, 10) 13 0 10 10 0 [10, 20) 14 10 20 10 2 [20, 30) 11 20 30 10 6 [30, 40) 9 30 40 10 8 [40, 50) 7 40 50 10 9 [50, 60) 6 50 60 10 3 [60, 70) 11 60 70 10 5 [70, 80) 10 70 80 10 7 [80, 90) 8 80 90 10 4 [90, 100) 11 90 100 10 -------------------------- """ df_cnt.reset_index(inplace = True,drop = True) print("df_cnt_resetindex-->\n",df_cnt) print("--------------------------") """ df_cnt_resetindex--> index fenzu mini maxi width 0 [0, 10) 13 0 10 10 1 [10, 20) 14 10 20 10 2 [20, 30) 11 20 30 10 3 [30, 40) 9 30 40 10 4 [40, 50) 7 40 50 10 5 [50, 60) 6 50 60 10 6 [60, 70) 11 60 70 10 7 [70, 80) 10 70 80 10 8 [80, 90) 8 80 90 10 9 [90, 100) 11 90 100 10 -------------------------- """
7.用Rectangle把hist绘制出来
#用Rectangle把hist绘制出来 fig = plt.figure() ax1 = fig.add_subplot(111) for i in df_cnt.index: rect = plt.Rectangle((df_cnt.loc[i,'mini'],0),df_cnt.loc[i,'width'],df_cnt.loc[i,'fenzu']) print('rect-->',rect) ax1.add_patch(rect) """ rect--> Rectangle(xy=(0, 0), width=10, height=10, angle=0) rect--> Rectangle(xy=(10, 0), width=10, height=14, angle=0) rect--> Rectangle(xy=(20, 0), width=10, height=11, angle=0) rect--> Rectangle(xy=(30, 0), width=10, height=6, angle=0) rect--> Rectangle(xy=(40, 0), width=10, height=12, angle=0) rect--> Rectangle(xy=(50, 0), width=10, height=10, angle=0) rect--> Rectangle(xy=(60, 0), width=10, height=13, angle=0) rect--> Rectangle(xy=(70, 0), width=10, height=8, angle=0) rect--> Rectangle(xy=(80, 0), width=10, height=5, angle=0) rect--> Rectangle(xy=(90, 0), width=10, height=11, angle=0) """ ax1.set_xlim(0, 100) ax1.set_ylim(0, 16) plt.show()
完整代码
import numpy as np import pandas as pd import matplotlib.pyplot as plt import re # hist绘制直方图 x=np.random.randint(0,100,100) #生成[0-100)之间的100个数据,即 数据集 bins=np.arange(0,101,10) #设置连续的边界值，即直方图的分布区间[0,10),[10,20)... # Rectangle矩形类绘制直方图 df = pd.DataFrame(columns = ['data']) df.loc[:,'data'] = x df['fenzu'] = pd.cut(df['data'], bins=bins, right = False,include_lowest=True) df_cnt = df['fenzu'].value_counts().reset_index() df_cnt.loc[:,'mini'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\[(.*)\,',x)[0]).astype(int) df_cnt.loc[:,'maxi'] = df_cnt['index'].astype(str).map(lambda x:re.findall('\,(.*)\)',x)[0]).astype(int) df_cnt.loc[:,'width'] = df_cnt['maxi']- df_cnt['mini'] df_cnt.sort_values('mini',ascending = True,inplace = True) df_cnt.reset_index(inplace = True,drop = True) #用Rectangle把hist绘制出来 fig = plt.figure() ax1 = fig.add_subplot(111) for i in df_cnt.index: rect = plt.Rectangle((df_cnt.loc[i,'mini'],0),df_cnt.loc[i,'width'],df_cnt.loc[i,'fenzu']) ax1.add_patch(rect) ax1.set_xlim(0, 100) ax1.set_ylim(0, 16) plt.show()
输出为：
2) bar-柱状图
matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3)
是一些常用的参数：
left：x轴的位置序列，一般采用range函数产生一个序列，但是有时候可以是字符串
height：y轴的数值序列，也就是柱形图的高度，一般就是我们需要展示的数据；
alpha：透明度，值越小越透明
width：为柱形图的宽度，一般这是为0.8即可；
color或facecolor：柱形图填充的颜色；
edgecolor：图形边缘颜色
label：解释每个图像代表的含义，这个参数是为legend()函数做铺垫的，表示该次bar的标签
有两种方式绘制柱状图
bar绘制柱状图
Rectangle矩形类绘制柱状图
import numpy as np import matplotlib.pyplot as plt # bar绘制柱状图 y = range(1,17) plt.bar(np.arange(16), y, alpha=0.5, width=0.5, color='yellow', edgecolor='red', label='The First Bar', lw=3); plt.show()
import matplotlib.pyplot as plt # Rectangle矩形类绘制柱状图 fig = plt.figure() ax1 = fig.add_subplot(111) for i in range(1,17): rect = plt.Rectangle((i+0.25,0),0.5,i) ax1.add_patch(rect) ax1.set_xlim(0, 16) ax1.set_ylim(0, 16) plt.show()
b. Polygon-多边形
参考：https://matplotlib.org/stable/api/_as_gen/matplotlib.patches.Polygon.html
matplotlib.patches.Polygon类是多边形类。它的构造函数：
class matplotlib.patches.Polygon(xy, closed=True, **kwargs)
xy是一个N×2的numpy array，为多边形的顶点。
closed为True则指定多边形将起点和终点重合从而显式关闭多边形。
matplotlib.patches.Polygon类中常用的是fill类，它是基于xy绘制一个填充的多边形，它的定义：
matplotlib.pyplot.fill(*args, data=None, **kwargs)
参数说明 : 关于x、y和color的序列，其中color是可选的参数，每个多边形都是由其节点的x和y位置列表定义的，后面可以选择一个颜色说明符。您可以通过提供多个x、y、[颜色]组来绘制多个多边形。
import matplotlib.pyplot as plt import numpy as np # 用fill来绘制图形 x = np.linspace(0, 5 * np.pi, 1000) y1 = np.sin(x) y2 = np.sin(2 * x) plt.fill(x, y1, color = "g", alpha = 0.3); plt.show()
import matplotlib.pyplot as plt import numpy as np from matplotlib.patches import Polygon def func(x): return (x - 3) * (x - 5) * (x - 7) + 85 a, b = 2, 9 # integral limits x = np.linspace(0, 10) y = func(x) fig, ax = plt.subplots() ax.plot(x, y, 'r', linewidth=2) ax.set_ylim(bottom=0) # Make the shaded region ix = np.linspace(a, b) iy = func(ix) verts = [(a, 0), *zip(ix, iy), (b, 0)] poly = Polygon(verts, facecolor='0.9', edgecolor='0.5') ax.add_patch(poly) ax.text(0.5 * (a + b), 30, r"$\int_a^b f(x)\mathrm{d}x$", horizontalalignment='center', fontsize=20) fig.text(0.9, 0.05, '$x$') fig.text(0.1, 0.9, '$y$') ax.spines[['top', 'right']].set_visible(False) ax.set_xticks([a, b], labels=['$a$', '$b$']) ax.set_yticks([]) plt.show()
输出为：
c. Wedge-契形¶
matplotlib.patches.Wedge类是楔型类。其基类是matplotlib.patches.Patch，它的构造函数：
class matplotlib.patches.Wedge(center, r, theta1, theta2, width=None, **kwargs)
一个Wedge-楔型 是以坐标x,y为中心，半径为r，从θ1扫到θ2(单位是度)。
如果宽度给定，则从内半径r -宽度到外半径r画出部分楔形。wedge中比较常见的是绘制饼状图。
matplotlib.pyplot.pie语法：
matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=0, 0, frame=False, rotatelabels=False, *, normalize=None, data=None)
制作数据x的饼图，每个楔子的面积用x/sum(x)表示。
其中最主要的参数是前4个：
x：楔型的形状，一维数组。
explode：如果不是等于None，则是一个len(x)数组，它指定用于偏移每个楔形块的半径的分数。
labels：用于指定每个楔型块的标记，取值是列表或为None。
colors：饼图循环使用的颜色序列。如果取值为None，将使用当前活动循环中的颜色。
startangle：饼状图开始的绘制的角度。
pie绘制饼状图
import matplotlib.pyplot as plt # pie绘制饼状图 labels = 'Frogs', 'Hogs', 'Dogs', 'Logs' sizes = [15, 30, 45, 10] explode = (0, 0.1, 0, 0) fig1, ax1 = plt.subplots() ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90) ax1.axis('equal'); # Equal aspect ratio ensures that pie is drawn as a circle. plt.show()
wedge绘制饼图
from matplotlib.collections import PatchCollection from matplotlib.patches import Wedge import matplotlib.pyplot as plt import numpy as np # wedge绘制饼图 fig = plt.figure(figsize=(5,5)) ax1 = fig.add_subplot(111) theta1 = 0 sizes = [15, 30, 45, 10] patches = [] patches += [ Wedge((0.5, 0.5), .4, 0, 54), Wedge((0.5, 0.5), .4, 54, 162), Wedge((0.5, 0.5), .4, 162, 324), Wedge((0.5, 0.5), .4, 324, 360), ] colors = 100 * np.random.rand(len(patches)) p = PatchCollection(patches, alpha=0.8) p.set_array(colors) ax1.add_collection(p); plt.show()
基本元素 - primitives-03-collections
参考：https://matplotlib.org/devdocs/api/collections_api.html#
collections类是用来绘制一组对象的集合，collections有许多不同的子类，如RegularPolyCollection, CircleCollection, Pathcollection, 分别对应不同的集合子类型。其中比较常用的就是散点图，它是属于PathCollection子类，scatter方法提供了该类的封装，根据x与y绘制不同大小或颜色标记的散点图。 它的构造方法：
Axes.scatter(self, x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)
其中最主要的参数是前5个：
x：数据点x轴的位置
y：数据点y轴的位置
s：尺寸大小
c：可以是单个颜色格式的字符串，也可以是一系列颜色
marker: 标记的类型
import matplotlib.pyplot as plt # 用scatter绘制散点图 x = [0,2,4,6,8,10] y = [10]*len(x) s = [20*2**n for n in range(len(x))] plt.scatter(x,y,s=s) plt.show()
参考：制作量角器
import matplotlib.pyplot as plt from matplotlib.patheffects import withStroke from matplotlib.collections import LineCollection import numpy as np fig=plt.figure(figsize=(10,8),dpi=100) ax = fig.add_subplot(111, projection='polar') # 设置坐标系为0到180度，半径为10，去掉刻度标签和网格线，量角器的形状就出来了 ax.set_thetamin(0) ax.set_thetamax(180) ax.set_rlim(0, 10) ax.set_xticklabels([]) ax.set_yticklabels([]) ax.grid(False) # 因为要画的线比较多，用for循环plot来画会比较慢，这里使用LineCollection来画。先用数组创建出线的坐标。 # 再用ax.add_collection方法一次性画出来 scale = np.zeros((181, 2, 2)) scale[:, 0, 0] = np.linspace(0, np.pi, 181) # 刻度线的角度值 scale[:, 0, 1] = 9.6 # 每度的刻度线起始点r值 scale[::5, 0, 1] = 9.3 # 每5度的刻度线起始点r值 scale[::10, 0, 1] = 2 # 每10度的刻度线起始点r值 scale[::90, 0, 1] = 0 # 90度的刻度线起始点r值 scale[:, 1, 0] = np.linspace(0, np.pi, 181) scale[:, 1, 1] = 10 line_segments = LineCollection(scale, linewidths=[1, 0.5, 0.5, 0.5, 0.5], color='k', linestyle='solid') ax.add_collection(line_segments) # 接下来再画两个半圆和45度刻度线。再加上数字。大功告成。 c = np.linspace(0, np.pi, 500) ax.plot(c, [7]*c.size, color='k', linewidth=0.5) ax.plot(c, [2]*c.size, color='k', linewidth=0.5) ax.plot([0, np.deg2rad(45)], [0, 10], color='k', linestyle='--', linewidth=0.5) ax.plot([0, np.deg2rad(135)], [0, 10], color='k', linestyle='--', linewidth=0.5) text_kw = dict(rotation_mode='anchor', va='top', ha='center', color='black', clip_on=False, path_effects=[withStroke(linewidth=5, foreground='white')]) for i in range(10, 180, 10): theta = np.deg2rad(i) if theta == np.pi/2: ax.text(theta, 8.7, i, fontsize=18, **text_kw) continue ax.text(theta, 8.9, i, rotation=i-90, fontsize=12, **text_kw) ax.text(theta, 7.9, 180-i, rotation=i-90, fontsize=12, **text_kw) plt.show()
基本元素 - primitives-04-images
images是matplotlib中绘制image图像的类，
AxesImage
BboxImage
FigureImage
NonUniformImage
PcolorImage
composite_images()
imread()
imsave()
pil_to_array()
thumbnail()
支持基本的图像加载、缩放和显示操作。其中最常用的imshow可以根据数组绘制成图像，它的构造函数：
class matplotlib.image.AxesImage(ax, cmap=None, norm=None, interpolation=None, origin=None, extent=None, filternorm=True, filterrad=4.0, resample=False, **kwargs)
imshow根据数组绘制图像
matplotlib.pyplot.imshow(X, cmap=None, norm=None, aspect=None, interpolation=None, alpha=None, vmin=None, vmax=None, origin=None, extent=None, shape=, filternorm=1, filterrad=4.0, imlim=, resample=None, url=None, *, data=None, **kwargs）
使用imshow画图时首先需要传入一个数组，数组对应的是空间内的像素位置和像素点的值，interpolation参数可以设置不同的差值方法，具体效果如下。
import matplotlib.pyplot as plt import numpy as np methods = [None, 'none', 'nearest', 'bilinear', 'bicubic', 'spline16', 'spline36', 'hanning', 'hamming', 'hermite', 'kaiser', 'quadric', 'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos'] grid = np.random.rand(4, 4) fig, axs = plt.subplots(nrows=3, ncols=6, figsize=(9, 6), subplot_kw={'xticks': [], 'yticks': []}) for ax, interp_method in zip(axs.flat, methods): ax.imshow(grid, interpolation=interp_method, cmap='viridis') ax.set_title(str(interp_method)) plt.tight_layout() plt.show()
容器-container-01-Figure容器
对象容器 - Object container，容器会包含一些primitives，并且容器还有它自身的属性。
比如Axes Artist，它是一种容器，它包含了很多primitives，比如Line2D，Text；同时，它也有自身的属性，比如xscal，用来控制X轴是linear还是log的。
1.Figure容器
from matplotlib import pyplot as plt from matplotlib.lines import Line2D fig = plt.figure() ax1 = fig.add_subplot(211) # 作一幅2*1的图，选择第1个子图 ax2 = fig.add_axes([0.1, 0.1, 0.7, 0.3]) # 位置参数，四个数分别代表了(left,bottom,width,height) print(ax1) print(fig.axes) # fig.axes 中包含了subplot和axes两个实例, 刚刚添加的 # Axes(0.125,0.53;0.775x0.35) # [<Axes: >, <Axes: >] plt.show()
由于Figure维持了current axes，因此你不应该手动的从Figure.axes列表中添加删除元素，而是要通过Figure.add_subplot()、Figure.add_axes()来添加元素，通过Figure.delaxes()来删除元素。但是你可以迭代或者访问Figure.axes中的Axes，然后修改这个Axes的属性。
from matplotlib import pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(211) for ax in fig.axes: ax.grid(True) plt.show()
Figure也有它自己的text、line、patch、image。你可以直接通过add primitive语句直接添加。但是注意Figure默认的坐标系是以像素为单位，你可能需要转换成figure坐标系：(0,0)表示左下点，(1,1)表示右上点。
Figure容器的常见属性：
Figure.patch属性：Figure的背景矩形
Figure.axes属性：一个Axes实例的列表（包括Subplot)
Figure.images属性：一个FigureImages patch列表
Figure.lines属性：一个Line2D实例的列表（很少使用）
Figure.legends属性：一个Figure Legend实例列表（不同于Axes.legends)
Figure.texts属性：一个Figure Text实例列表
容器-container-02-Axes容器
matplotlib.axes.Axes是matplotlib的核心。
The Axes class represents one (sub-)plot in a figure. It contains the plotted data, axis ticks, labels, title, legend, etc. Its methods are the main interface for manipulating the plot.
Axes类表示图形中的一个(子)图。它包含绘制的数据、轴刻度、标签、标题、图例等。它的方法是操纵情节的主要界面。
大量的用于绘图的Artist存放在它内部，并且它有许多辅助方法来创建和添加Artist给它自己，而且它也有许多赋值方法来访问和修改这些Artist。
和Figure容器类似，Axes包含了一个patch属性，对于笛卡尔坐标系而言，它是一个Rectangle；对于极坐标而言，它是一个Circle。这个patch属性决定了绘图区域的形状、背景和边框。
from matplotlib import pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(121) rect = ax1.patch # axes的patch是一个Rectangle实例 rect.set_facecolor('green') ax2 = fig.add_subplot(122,polar=True) rect = ax2.patch # axes的patch是一个Circle实例 rect.set_facecolor('red') plt.show()
Axes容器的常见属性有：
artists: Artist实例列表
patch: Axes所在的矩形实例
collections: Collection实例
images: Axes图像
legends: Legend 实例
lines: Line2D 实例
patches: Patch 实例
texts: Text 实例
xaxis: matplotlib.axis.XAxis 实例
yaxis: matplotlib.axis.YAxis 实例
容器-container-03- Axis容器
参考：https://matplotlib.org/devdocs/api/axis_api.html
matplotlib.axis.Axis实例处理tick line、grid line、tick label以及axis label的绘制，它包括坐标轴上的刻度线、刻度label、坐标网格、坐标轴标题。通常你可以独立的配置y轴的左边刻度以及右边的刻度，也可以独立地配置x轴的上边刻度以及下边的刻度。
刻度包括主刻度和次刻度，它们都是Tick刻度对象
from matplotlib import pyplot as plt fig, ax = plt.subplots() x = range(0,5) y = [2,5,7,8,10] plt.plot(x, y, '-') axis = ax.xaxis # axis为X轴对象 print(axis.get_ticklocs()) # 获取刻度线位置 print(axis.get_ticklabels()) # 获取刻度label列表(一个Text实例的列表）。 可以通过minor=True|False关键字参数控制输出minor还是major的tick label。 print(axis.get_ticklines()) # 获取刻度线列表(一个Line2D实例的列表）。 可以通过minor=True|False关键字参数控制输出minor还是major的tick line。 print(axis.get_data_interval())# 获取轴刻度间隔 print(axis.get_view_interval())# 获取轴视角（位置）的间隔 plt.show()
输出为：
[-0.5 0. 0.5 1. 1.5 2. 2.5 3. 3.5 4. 4.5]
[Text(-0.5, 0, ‘−0.5’), Text(0.0, 0, ‘0.0’), Text(0.5, 0, ‘0.5’), Text(1.0, 0, ‘1.0’),
Text(1.5, 0, ‘1.5’), Text(2.0, 0, ‘2.0’), Text(2.5, 0, ‘2.5’), Text(3.0, 0, ‘3.0’), Text(3.5, 0, ‘3.5’), Text(4.0, 0, ‘4.0’), Text(4.5, 0, ‘4.5’)]
<a list of 22 Line2D ticklines objects>
[0. 4.]
[-0.2 4.2]
from matplotlib import pyplot as plt fig = plt.figure() # 创建一个新图表 rect = fig.patch # 矩形实例并将其设为黄色 rect.set_facecolor('lightgoldenrodyellow') ax1 = fig.add_axes([0.1, 0.3, 0.4, 0.4]) # 创一个axes对象，从(0.1,0.3)的位置开始，宽和高都为0.4， rect = ax1.patch # ax1的矩形设为灰色 rect.set_facecolor('lightslategray') for label in ax1.xaxis.get_ticklabels(): # 调用x轴刻度标签实例，是一个text实例 label.set_color('red') # 颜色 label.set_rotation(45) # 旋转角度 label.set_fontsize(16) # 字体大小 for line in ax1.yaxis.get_ticklines(): # 调用y轴刻度线条实例, 是一个Line2D实例 line.set_markeredgecolor('green') # 颜色 line.set_markersize(25) # marker大小 line.set_markeredgewidth(2)# marker粗细 plt.show()
容器-container-04-Tick容器
Abstract base class for the axis ticks, grid lines and labels.
Ticks mark a position on an Axis. They contain two lines as markers and two labels; one each for the bottom and top positions (in case of an .XAxis) or for the left and right positions (in case of a .YAxis).
轴刻度、网格线和标签的抽象基类。刻度标记轴上的位置。它们包含两行作为标记和两个标签;底部和顶部位置各一个’ . xaxis ‘)或用于左右位置(如果是’ . yaxis ')。
matplotlib.axis.Tick是从Figure到Axes到Axis到Tick中最末端的容器对象。
Tick包含了tick、grid line实例以及对应的label。
from matplotlib import pyplot as plt import numpy as np import matplotlib fig, ax = plt.subplots() ax.plot(100*np.random.rand(20)) # 设置ticker的显示格式 formatter = matplotlib.ticker.FormatStrFormatter('$%1.2f') ax.yaxis.set_major_formatter(formatter) # 设置ticker的参数，右侧为主轴，颜色为绿色 ax.yaxis.set_tick_params(which='major', labelcolor='green', labelleft=False, labelright=True); plt.show()
参考：
http://c.biancheng.net/matplotlib/data-visual.html
https://www.bookstack.cn/read/huaxiaozhuan-ai/333f5abdbabf383d.md
总结
本文主要是Matplotlib从入门到精通系列第2篇，本文介绍了Matplotlib的历史，绘图元素的概念以及Matplotlib的多个层级，同时介绍了较好的参考文档置于博客前面，读者可以重点查看参考链接。本系列的目的是可以完整的完成Matplotlib从入门到精通。重点参考连接
